基于神經(jīng)網(wǎng)絡(luò)的動(dòng)車組軸端溫度傳感器誤報(bào)識(shí)別

顧 佳，關(guān) 岳，王 偉

（中車青島四方機(jī)車車輛股份有限公司，青島 266111）

1 引言

從軸溫監(jiān)測(cè)裝置的實(shí)際工作情況來看，其故障主要包括傳感器與軸承接觸不良、防護(hù)性能差等因素，這些因素將導(dǎo)致傳感器所上傳的數(shù)據(jù)錯(cuò)誤，從而使得軸溫報(bào)警系統(tǒng)的軸溫警報(bào)出現(xiàn)錯(cuò)誤[1]。尤其是在惡劣環(huán)境下運(yùn)行時(shí)，傳感器可能因?yàn)楦鞣N原因而上傳錯(cuò)誤的信號(hào)，這時(shí)就需根據(jù)傳感器上傳的數(shù)據(jù)進(jìn)行綜合邏輯分析，通過實(shí)時(shí)糾正的方式避免出現(xiàn)誤報(bào)問題[2]。

2 基于神經(jīng)網(wǎng)絡(luò)動(dòng)車組軸端溫度傳感器誤報(bào)識(shí)別

2.1 目的和思路

根據(jù)列車運(yùn)行時(shí)的基本數(shù)據(jù)和軸溫?cái)?shù)據(jù)等，對(duì)列車數(shù)據(jù)進(jìn)行探索和挖掘，建立軸端的傳感器誤報(bào)識(shí)別模型，依據(jù)傳感器傳來的軸溫值判斷出該傳感器是否存在誤報(bào)情況。此模型的建立主要分以下兩個(gè)方面：

（1）軸溫?cái)?shù)據(jù)探索分析：使用相關(guān)性分析算法，找出與軸端溫度存在相關(guān)性的特征變量，進(jìn)行神經(jīng)網(wǎng)絡(luò)建模；因?yàn)閿?shù)據(jù)的采集是每30秒進(jìn)行一次打包傳送，所以統(tǒng)計(jì)出軸端溫度30秒的變化的范圍和比例，找出軸端溫度變化的正常范圍。

（2）軸溫預(yù)測(cè)模型：根據(jù)相關(guān)性統(tǒng)計(jì)分析的結(jié)果，使用基本數(shù)據(jù)和傳感器的溫度值進(jìn)行神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的訓(xùn)練，建立軸端的軸溫神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，利用該模型預(yù)測(cè)出30秒后的軸溫值，與傳感器實(shí)際傳過來的軸溫值進(jìn)行對(duì)比分析，統(tǒng)計(jì)出軸端的軸溫預(yù)測(cè)模型的預(yù)測(cè)值與實(shí)際值之間誤差的分布范圍和對(duì)應(yīng)比例關(guān)系，確定軸溫預(yù)測(cè)模型的誤差閾值范圍。

根據(jù)軸溫預(yù)測(cè)模型的誤差閾值及軸溫波動(dòng)的正常范圍兩個(gè)條件，綜合判斷出軸溫傳感器是否存在誤報(bào)情況。

2.2 軸溫變化統(tǒng)計(jì)分析

從數(shù)據(jù)庫中抽取包括不同車型、不同列號(hào)、不同軸端位置的一周全量軸溫?cái)?shù)據(jù)，共計(jì)約1000萬條，使用相鄰下一包軸端的溫度值減去當(dāng)前包的溫度值得到軸溫30秒變化的溫差，將溫差按照小于-7度、-6度、-5度、-4度、-3度、-2度、-1度、0度、1度、2度、3度、4度、5度、6度、大于7度進(jìn)行統(tǒng)計(jì)。根據(jù)統(tǒng)計(jì)結(jié)果得出，軸端30秒溫度變化的正常區(qū)間是有一個(gè)范圍的，超過該溫差區(qū)間范圍的軸溫屬于異常溫度值。

2.3 軸溫相關(guān)性統(tǒng)計(jì)分析

使用相關(guān)性算法統(tǒng)計(jì)出制動(dòng)檔位、速度、加減速度、外溫和軸端溫度相互之間的相關(guān)系數(shù)。經(jīng)過分析發(fā)現(xiàn)與軸端溫度相關(guān)性較強(qiáng)的是室外溫度和速度，所以針對(duì)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型建模，可以增加室外溫度和速度及軸溫自身的相關(guān)衍生變量。

2.4 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型

2.4.1 數(shù)據(jù)處理

從數(shù)據(jù)庫中抽取出一周的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，先對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，包括：

（1）數(shù)據(jù)過濾。（2）字符映射。（3）特征工程：增加衍生變量和連續(xù)變量，做特征工程且將其標(biāo)準(zhǔn)化。

（4）標(biāo)簽化：以車型、列號(hào)、車號(hào)及軸id為key，鎖定每個(gè)軸端的溫度傳感器，將下一包的軸溫值作為模型需要訓(xùn)練預(yù)測(cè)的標(biāo)簽。

2.4.2 模型建立與評(píng)估

本次所采用的是適用于分類回歸的前饋神經(jīng)網(wǎng)絡(luò)，采用三層全連接網(wǎng)絡(luò)結(jié)構(gòu)，第一層為輸入層，第二層為隱藏層，第三層為輸出層。以0.0013的學(xué)習(xí)率訓(xùn)練，以均方誤差為損失函數(shù)，使用Adam優(yōu)化器進(jìn)行梯度下降的計(jì)算。并加入了dropout技術(shù)，防止模型對(duì)訓(xùn)練數(shù)據(jù)集產(chǎn)生過擬合。

生成最終軸端溫度神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型后隨機(jī)選取5份測(cè)試數(shù)據(jù)，進(jìn)行模型驗(yàn)證評(píng)估，分別采用了平均絕對(duì)誤差，R2和均方誤差來測(cè)試神經(jīng)網(wǎng)絡(luò)模型的性能，其測(cè)試結(jié)果如表1：

表1

2.4.3 模型誤差閾值探索

根據(jù)一周左右的測(cè)試數(shù)據(jù)結(jié)果，按照絕對(duì)值誤差小于1度，介于1～2度，介于2～3度，介于3～4度，介于4～5度，介于5～6度，大于6度進(jìn)行劃分，根據(jù)劃分區(qū)間占比可以確定神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的誤差閾值。

2.5 軸溫傳感器誤報(bào)識(shí)別模型

根據(jù)軸溫30秒溫差變化范圍和預(yù)測(cè)模型的誤差閾值，綜合得出軸溫傳感器誤報(bào)識(shí)別模型規(guī)則：當(dāng)軸端溫度值與軸端溫度預(yù)測(cè)模型預(yù)測(cè)值的絕對(duì)誤差大于誤差閾值時(shí)，并且該軸端溫度值與前后30秒的軸溫值的溫差絕對(duì)值同時(shí)大于閾值時(shí)，則判定該值為溫度傳感器誤報(bào)所致。

[1] 王飛.CRH5型動(dòng)車組軸溫檢測(cè)系統(tǒng)故障分析及處理辦法[J].科技傳播，2014，6（15）：182+163.

[2] 房兆鵬.CRH5A型動(dòng)車組軸溫誤報(bào)警故障原因分析及預(yù)防措施[J].硅谷，2014，7（06）：74+43.